6.2.3 Spektrikertymäfunktio

Koko: px
Aloita esitys sivulta:

Download "6.2.3 Spektrikertymäfunktio"

Transkriptio

1 ja prosessin (I + θl + + θl q )ε t spektritiheysfunktio on Lemman 6. ja Esimerkin 6.4 nojalla σ π 1 + θ 1e iω + + θ q e iqω. Koska viivepolynomien avulla määritellyt prosessit yhtyvät, niin myös niiden spektritiheysfunktiot yhtyvät 1 φ 1 e iω φ p e ipω f(ω) = σ π 1 + θ 1e iω + + θ q e iqω.. Yhtäsuuruuden pätiessä voimme jakaa puolittain AR-polynomilla, jolloin saamme f(ω) = σ 1 + θ 1 e iω + + θ q e iqω π 1 φ 1 e iω φ p e ipω aina, kun polynomin p(z) = 1 p k=1 φ kz k nollakohdat eivät ole yksikköympyrän kehällä Spektrikertymäfunktio Spektritiheysfunktiota f yleisempi käsite on spektrikertymäfunktio F (eng. spectral distribution function). Kun spektritiheysfunktio on olemassa, spektrikertymäfunktio F (ω) = ω π f(ω )dω. Muutoin spektrikertymäfunkto F määritellään Riemann-Stieltjes-integraalin avulla. Γ(k) = π π e ikω df (ω) Esimerkki 6.7. Kaikilla stationäärisillä stokastisilla prosesseilla ei ole spektritiheysfunktiota. Tarkastellaan esimerkiksi prosessia X t = A cos(ω 0 t) + B sin(ω 0 t), missä A, B N(0, 1) ovat riippumattomia. Silloin ja E[X t ] = cos(ω 0 t)e[a] + sin(ω 0 t)e[b] = 0 E[X t X t τ ] = E[(A cos(ω 0 t) + B sin(ω 0 t))(a cos(ω 0 (t tτ)) + B sin(ω 0 (t τ)))] = cos(ω 0 t) cos(ω 0 (t τ)) + sin(ω 0 t) sin(ω 0 (t τ)) = cos (ω 0 t) cos(ω 0 τ) + cos(ω 0 t) sin(ω 0 t) sin(ω 0 τ) + sin (ω 0 t) cos(ω 0 τ) sin(ω 0 t) cos(ω 0 t) sin(ω 0 τ) = cos(ω 0 τ) 6

2 Itseisesti summautuvien autokovarianssifunktioiden spektritiheysfunktiot f( )e ik d = (k) f( )= 1 k= (k)e ik Itseisesti summautuvat autokovarianssifunktiot e ik df ( )= (k) df ( )=f( )d Spektrikertymäunktiot = kaikki ei-vähenevät oikealta jatkuvat rajoitetetut ei-negatiiviset funktiot, joille F ( )=0 Autokovarianssifunktiot Kuva 6.3: Spektrikertymäfunktioiden ja autokovarianssifunktioiden yhteys. (Fourier-sarjojen ominaisuudet, jotka pätevät itseisesti suppeneville autokovarianssifunktioille, eivät päde kaikille autokovarianssifunktioille). Nyt k= cos(ω 0k) =, sillä cos(ω 1 0 t) dt =. Kuitenkin autokovarianssifunktio on muotoa Γ(k) = π π e ikω df (ω) missä spektrikertymäfunktio 0 kun ω < ω 0 F (ω) = 0.5 kun ω 0 ω ω 0 1 kun ω > ω 0. Spektrin jakauma on tällöin keskittynyt arvoihin ω = ±ω Spektrin yhteys kausivaihteluun Määritelmä 6.3. Sanotaan, että aikasarjalla on kausivaihtelua (eng. seasonal variation), jos aikasarjassa on toistuva rakenne säännöllisin aikavälein (jonka nimitys on periodi). 63

3 Esimerkki 6.8. Yksinkertainen esimerkki kausivaihtelua sisältävästä aikasarjasta voidaan muodostaa sini-funktion avulla. Koska sin(t) on π-jaksollinen, skaalataan funktion argumentti t. Asetetaan ( ) π x t = sin m t, jolloin aikasarjan x t periodi eli jaksonpituus on m ajanhetkeä. Lukua π nimitetään usein m taajuudeksi. Kausivaihtelulla on nimenomaan säännöllinen aikaväli. Termin selventämiseksi tutustutaan myös toiseen käsitteeseen. Määritelmä 6.4. Sanotaan, että aikasarjalla on syklistä vaihtelua (eng. cyclic variation), jos aikasarjassa on epäsäännöllisillä aikaväleillä toistuva rakenne. Lämpötila C Vuosi Kuva 6.4: Kuukauden keskilämpötila Nottingham Castlessa sisältää kausivaihtelua, jonka periodi on vuosi. Esimerkissä 6.7 tarkasteltiin stokastista prosessia X t = A cos(ω 0 t) + B sin(ω 0 t), jolla on selvästi π ω 0 -periodista kausivaihtelua. Prosessin X t spektrin jakauman todettiin olevan keskittynyt arvoihin ±ω 0. Tarkastellaan seuraavaksi yleisempää esimerkkiä ja pyritään varmentamaan Esimerkissä 6.7 havaittu yhteys spektrin ja kausivaihtelun välillä. Olkoon Esimerkki 6.9. Olkoon X t = N A r cos(ω r t) + B r sin(ω r t), r=1 missä satunnaismuuttujat A r, B r ovat nollakeskiarvoisia, riippumattomia ja σ r = E[A r] = E[B r ]. Oletetaan lisäksi, että 0 < ω 1 < < ω N < π. 64

4 ilvesten lkm Aika Kuva 6.5: Tilasto vuosittain pyydystettyjen ilveksien lukumäärästä Kanadassa Tilastossa näkyy syklistä vaihtelua n. 10 vuoden välein. Aikasarjan arvo Aika Kuva 6.6: Näyte prosessista X t, kun N =, σ 1 = 9, σ = 1, ω 1 = π/4, ω = π/6. Ensimmäisen komponentin periodi on π/(π/4) = 8 ja toisen komonentin periodi on π/(π/6) = 1. Samoin kuin Esimerkissä 6.7, nähdään että prosessin X t autokovarianssifunktio on Γ(k) = N σr cos(kω r ) r=1 ja sen spektrikertymäfunktio F (ω) = σ F r (ω), missä 0 kun ω < ω r F r (ω) = 0.5 kun ω r ω ω 0 1 kun ω > ω r. r=1. 65

5 Spektrikertymäfunktio taajuus Kuva 6.7: Prosessin X t, kun σ 1 = 9, σ = 1, ω 1 = π/4, ω = π/6 spektrikertymäfunktio. Spektri on keskittynyt vahvasti taajuuksiin ω 1 = π/4. Edellä olevassa esimerkissä on äärellisen monen sini- ja kosiniaallon satunnaiskertoiminen lineaarinen yhdiste. On selvää, että esimerkissä käsitellään erikoistapausta, jonka perusteella spektrin ja kausivaihtelun yhteyttä ei saisi suoraan yleistää kaikille heikosti sationäärisille stokastisille prosesseille. Stokastisten prosessien syvällinen tulos stationääristen prosessien spektraaliesitys 4 kuitenkin kertoo, että äärellisten yhdisteiden raja-arvojen avulla (N ) voidaan esittää kaikki heikosti stationääriset stokastiset prosessit, joiden odotusarvo on nolla! Mikäli prosessilla on spektraaliesityksessään vahva komponentti jollakin taajuudella ω 0 on prosessin spektri keskittynyt lähelle taajuuksia ±ω 0. Yhteenvetona spektritiheysfunktion tapauksesta todetaan, että Spektritiheysfunktio f(ω) = 1 π k= Γ(k)e ikω on toinen tapa tarkastella riittävän säännöllisen heikosti stationäärisen stokastisen prosessin toisia momentteja autokovarianssifunktiota Γ. Mitä tasaisempi spektritiheysfunktio on, sitä vähemmän prosessissa on rakennetta. Jos spektritiheysfunktio on vakio, niin stokastinen prosessi on korreloimatonta valkoista kohinaa (Harjoitustehtävä) Mitä enemmän spektritiheysfunktion massa keskittyy jonkin taajuuden ympärille, sitä selkeämpi kausivaihtelu prosessilla on. (Jos spektritiheysfunktiossa on korkeat kapeat piikit taajuuksien ±ω 0 kohdalla, niin prosessin näytteillä on selkeää kausivaihtelua, jonka periodi on π/ω 0 ). 4 määritellään stokastisten integraalien avulla:. 66

6 6.4 Periodogrammi Edellä näimme, että spektrin muoto näyttää, mitä taajuuksia stokastisessa prosessissa on. Seuraavaksi ryhdytään tarkastelemaan prosessien näytteitä. Tällöin esimerkiksi spektritiheysfunktion määritelmässä esiintyvä sarja f(ω) = 1 π k= Γ(k)e ikω on typistettävä (eng. truncate). Vektorin (x 1,..., x n ) diskreetti Fourier-muunnos on α k = 1 n missä on käytetty lyhennysmerkintää πk it 1 x t e n = n ω k := πk n. x t e itω k, Merkitään lisäksi [a] luvan a kokonaisosaa. Esim. [.4] = ja [ 3.6] = 3. Määritelmä 6.5. Havaintovektorin (a 1,..., a n ) periodogrammi on I n (ω k ) = 1 a n t e itω k, missä k = [ n 1],..., [ n] ja ω k = πk. n Lause 6.5. Kun 0 k { [ ] [ n 1,..., n ]}, niin otosvektorin (a1,..., a n ) periodogrammi voidaan kirjoittaa muodossa I n (ω k ) = n 1 t= n+1 Γ(t)e itω k, missä Γ on vektorin (a 1,..., a n ) otosautokovarianssifunktio eli Γ(t) = 1 n (a j a)(a j t a), 0 t < n 1. j=t+1 Todistus. Merkitään havaintovektorin a keskiarvoa luvulla m. I n (ω k ) = 1 a t e itω k n = 1 (a t m + m)e itω k n = 1 n (a t m)(a t m)e i(t t )ω k + n t,t =1 67 (a t m)me i(t t ) + 1 n m t,t =1 e itω k

7 Nyt geometrisen sarjan osasummat e itω k = e itπ/n = e itπ/n e i(n+1)π/n 1 e iπ/n = e itπ/n (1 e iπ ) = 0 1 e iπ/n häviävät, joten periodogrammin lausekkeeseen jää termit I n (ω k ) = 1 (a t m)(a t m)e i(t t )ω k. n t,t =1 Vaihdetaan summausindeksien t, t tilalle s = t t ja t. Summausindeksin s = t t vaihdon jälkeen saamme ( n 1 ) 1 I n (ω k ) = (a t s m)(a t m) e iω ks n s= n+1 +s n 1 = Γ(s)e iωks. s= n+1 Huomautus Eräs estimaattori spektritiheysfunktiolle on f(ω k ) = 1 π I n(ω k ), joka voidaan laajentaa kaikille ω [ π, π] esimerkiksi lineaarisella interpolaatiolla. Seuraava lause näyttää, että Huomautuksen estimaattorilla on suuri virhevarianssi, vaikka käytössä olisi hyvin korkeaulotteinen havaintovektori. Kyseinen estimaattori ei ole tästä syystä ideaalinen spektritiheysfunktion estimaattori. Lause 6.6. Olkoot X 1,..., X n havaintoja prosessista X t = h k ε t k, k= missä ε t on riippumatonta valkoista kohinaa, jonka varianssi on σ ja jono (h k ) l 1. Silloin havaintovektorin (X 1,..., X n ) periodogrammi I n (ω k ) = πf(ω k ) ξ k 1 + ξ k + R n (ω k ), missä f on prosessin X t spektritiheysfunktio, kun n ja ξ k 1 = σ n max 1 k [ n 1 ] E[ R n (ω k )] 0 ε t cos(ω k t), ξ k = j=1 σ n ε t sin(ω k t) jokaisella k = 1,..., [ n 1 ]. Lisäksi satunnaisvektorien ξ j jakauma lähestyy normaalijakautunutta valkoista kohinaa, jonka varianssi on 1, kun n. 68 j=1

6.1 Autokovarianssifunktion karakterisaatio aikatasossa

6.1 Autokovarianssifunktion karakterisaatio aikatasossa 6. Spektraalianalyysi Tällä kurssilla on käyty läpi eräitä stationääristen aikasarjojen ominaispiirteitä, kuten aikasarjaa mallintavan stokastisen prosessin X t odotusarvo E[X t ] ja autokovarianssifunktio

Lisätiedot

4.0.2 Kuinka hyvä ennuste on?

4.0.2 Kuinka hyvä ennuste on? Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 5 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 5 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 5 (2016) Tavoitteet (teoria): Ymmärtää kausivaihtelun käsite ja sen yhteys otoshetkiin. Oppia käsittelemään periodogrammia.. Tavoitteet (R): Periodogrammin,

Lisätiedot

Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t

Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Valkoinen kohina ε t 2 1 0 1 2 Voimme tehdä saman laskun myös yleiselle välille [ a, a], missä 0 < a

Lisätiedot

9. Tila-avaruusmallit

9. Tila-avaruusmallit 9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia

Lisätiedot

Vastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit.

Vastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit. Autokovarianssi: (kun τ 0) Γ t (τ) = E[(X t µ t )(X t τ µ t τ )] ( ) ( = E[ φ k ε t k φ j ε t τ j )] = = j=0 φ j+k E[ε t k ε t τ j ] k,j=0 φ j+k σ 2 δ k,τ+j k,j=0 = σ 2 φ j+k δ k,τ+j = = k,j=0 φ τ+2j I

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet

Lisätiedot

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH 8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin

Lisätiedot

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio. Määritelmä 4.3. Estimaattoria X(Y ) nimitetään lineaariseksi projektioksi, jos X on lineaarinen kuvaus ja E[(X X(Y )) Y] 0 }{{} virhetermi Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi

Lisätiedot

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k LUKU 3 Ulkoinen derivaatta Olkoot A R n alue k n ja ω jatkuvasti derivoituva k-muoto alueessa A Muoto ω voidaan esittää summana ω = ω i1 i 2 i k dx i 1 dx i 2 1 i 1

Lisätiedot

Ilkka Mellin Aikasarja-analyysi Stationaariset stokastiset prosessit

Ilkka Mellin Aikasarja-analyysi Stationaariset stokastiset prosessit Ilkka Mellin Aikasarja-analyysi Stationaariset stokastiset prosessit TKK (c) Ilkka Mellin (2007) 1 Stationaariset stokastiset prosessit >> Stationaariset stokastiset prosessit Integroituvuus Korrelaatiofunktioiden

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) Tavoitteet (teoria): Hahmottaa aikasarjan klassiset komponentit ideaalisessa tilanteessa. Ymmärtää viivekuvauksen vaikutus trendiin. ARCH-prosessin

Lisätiedot

Kompleksianalyysi, viikko 6

Kompleksianalyysi, viikko 6 Kompleksianalyysi, viikko 6 Jukka Kemppainen Mathematics Division Funktion erikoispisteet Määr. 1 Jos f on analyyttinen pisteen z 0 aidossa ympäristössä 0 < z z 0 < r jollakin r > 0, niin sanotaan, että

Lisätiedot

3. Teoriaharjoitukset

3. Teoriaharjoitukset 3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x

Lisätiedot

SIGNAALITEORIAN KERTAUSTA 1

SIGNAALITEORIAN KERTAUSTA 1 SIGNAALITEORIAN KERTAUSTA 1 1 (26) Fourier-muunnos ja jatkuva spektri Spektri taajuuden funktiona on kompleksiarvoinen funktio, jonka esittäminen graafisesti edellyttää 3D-kuvaajan piirtämisen. Yleensä

Lisätiedot

Stationaariset stokastiset prosessit ja ARMA-mallit

Stationaariset stokastiset prosessit ja ARMA-mallit Stationaariset stokastiset prosessit ja ARMA-mallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy

Lisätiedot

4. Fourier-analyysin sovelletuksia. Funktion (signaalin) f(t) näytteistäminen tapahtuu kertomalla funktio näytteenottosignaalilla

4. Fourier-analyysin sovelletuksia. Funktion (signaalin) f(t) näytteistäminen tapahtuu kertomalla funktio näytteenottosignaalilla 4.1 Näytteenottolause 4. Fourier-analyysin sovelletuksia Näyttenottosignaali (t) = k= δ(t kt). T on näytteenottoväli, ja ω T = 1 T on näyttenottotaajuus. Funktion (signaalin) f(t) näytteistäminen tapahtuu

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 13 Ti 18.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 13 Ti 18.10.2011 p. 1/43 p. 1/43 Nopeat Fourier-muunnokset Fourier-sarja: Jaksollisen funktion esitys

Lisätiedot

e ax, kun x > 0 f(x) = 0, kun x < 0, 0, kun x > 0 e ax, kun x < 0 e (a iω)x dx = a+iω = 1 a 2 +ω 2. e ax, x > 0 e ax, x < 0,

e ax, kun x > 0 f(x) = 0, kun x < 0, 0, kun x > 0 e ax, kun x < 0 e (a iω)x dx = a+iω = 1 a 2 +ω 2. e ax, x > 0 e ax, x < 0, Harjoitus 5 1. Olkoot a > 0. Laske vaimenevan pulssin e ax, kun x > 0 fx) = 0, kun x < 0, ja voimistuvan pulssin gx) = konvoluution g f Fourier-muunnos. 0, kun x > 0 e ax, kun x < 0 apa 1: Konvoluution

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio

Lisätiedot

Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle

Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle Olkoon X sisätuloavaruus ja Y X äärellisulotteinen aliavaruus. Tällöin on olemassa lineaarisesti riippumattomat vektorit y 1, y 2,..., yn, jotka

Lisätiedot

P (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.

P (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx. Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin

Lisätiedot

Dynaamiset regressiomallit

Dynaamiset regressiomallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen

Lisätiedot

Signaalimallit: sisältö

Signaalimallit: sisältö Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen

Lisätiedot

ARMA mallien ominaisuudet ja rakentaminen

ARMA mallien ominaisuudet ja rakentaminen MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Viikko 4: 1 ARMA-mallien ominaisuudet 1 Stationaaristen

Lisätiedot

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita

Lisätiedot

Luento 2. Jaksolliset signaalit

Luento 2. Jaksolliset signaalit Luento Jaksollisten signaalien Fourier-sarjat Viivaspektri S-.7. Signaalit ja järjestelmät 5 op KK ietoliikennelaboratorio Jaksollinen (periodinen) Jaksolliset signaalit Jaksonaika - / / Perusjakso Amplitudi

Lisätiedot

8 Potenssisarjoista. 8.1 Määritelmä. Olkoot a 0, a 1, a 2,... reaalisia vakioita ja c R. Määritelmä 8.1. Muotoa

8 Potenssisarjoista. 8.1 Määritelmä. Olkoot a 0, a 1, a 2,... reaalisia vakioita ja c R. Määritelmä 8.1. Muotoa 8 Potenssisarjoista 8. Määritelmä Olkoot a 0, a, a 2,... reaalisia vakioita ja c R. Määritelmä 8.. Muotoa a 0 + a (x c) + a 2 (x c) 2 + olevaa sarjaa sanotaan c-keskiseksi potenssisarjaksi. Selvästi jokainen

Lisätiedot

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee

Lisätiedot

4. Martingaalit ja lokaalit martingaalit

4. Martingaalit ja lokaalit martingaalit STOKASTISET DIFFERENTIAALIYHTÄLÖT 45 4. Martingaalit ja lokaalit martingaalit Lähestymme nyt jo kovaa vauhtia hetkeä, jolloin voimme aloittaa stokastisen integroinnin. Ennen sitä käymme vielä läpi yhtä

Lisätiedot

Dynaamiset regressiomallit

Dynaamiset regressiomallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 6: 1 Kalmanin suodatin Aiemmin käsitellyt

Lisätiedot

Polkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä Olkoot γ : [a, b] R m paloittain C 1 -polku välin [a, b] jaon

Polkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä Olkoot γ : [a, b] R m paloittain C 1 -polku välin [a, b] jaon Polkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä 4.1.3. Olkoot : [a, b] R m paloittain C 1 -polku välin [a, b] jaon P = {a = t 1 < < t k = b} ja joukko D R m sellainen, että ([a, b])

Lisätiedot

Osa VI. Fourier analyysi. A.Rasila, J.v.Pfaler () Mat Matematiikan peruskurssi KP3-i 12. lokakuuta / 246

Osa VI. Fourier analyysi. A.Rasila, J.v.Pfaler () Mat Matematiikan peruskurssi KP3-i 12. lokakuuta / 246 Osa VI Fourier analyysi A.Rasila, J.v.Pfaler () Mat-1.1331 Matematiikan peruskurssi KP3-i 12. lokakuuta 2007 127 / 246 1 Johdanto 2 Fourier-sarja 3 Diskreetti Fourier muunnos A.Rasila, J.v.Pfaler () Mat-1.1331

Lisätiedot

Sarja. Lukujonosta (a k ) k N voi muodostaa sen osasummien jonon (s n ): s 1 = a 1, s 2 = a 1 + a 2, s 3 = a 1 + a 2 + a 3,...,

Sarja. Lukujonosta (a k ) k N voi muodostaa sen osasummien jonon (s n ): s 1 = a 1, s 2 = a 1 + a 2, s 3 = a 1 + a 2 + a 3,..., Sarja Lukujonosta (a k ) k N voi muodostaa sen osasummien jonon (s n ): Määritelmä 1 s 1 = a 1, s 2 = a 1 + a 2, s 3 = a 1 + a 2 + a 3,..., n s n = a k. Jos osasummien jonolla (s n ) on raja-arvo s R,

Lisätiedot

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista 6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida

Lisätiedot

Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin (yo-kirjoituksissa hyväksytty) on sallittu apuväline tässä kokeessa!

Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin (yo-kirjoituksissa hyväksytty) on sallittu apuväline tässä kokeessa! Aalto yliopiston teknillinen korkeakoulu Mat-1.1040 L4 Tentti ja välikokeiden uusinta 21.5.2010 Gripenberg, Arponen, Siljander Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin

Lisätiedot

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61 3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on

Lisätiedot

Konvergenssilauseita

Konvergenssilauseita LUKU 4 Konvergenssilauseita Lause 4.1 (Monotonisen konvergenssin lause). Olkoon (f n ) kasvava jono Lebesgueintegroituvia funktioita. Asetetaan f(x) := f n (x). Jos f n

Lisätiedot

4.3.7 Epäoleellinen integraali

4.3.7 Epäoleellinen integraali Esimerkki 4.3.16. (Lineaarinen muuttujien vaihto) Olkoot A R m sellainen kompakti joukko, että A on nollajoukko. Olkoon M R m m säännöllinen matriisi (eli det(m) 0) ja f : R m R jatkuva funktio. Tehdään

Lisätiedot

7. Tasaisen rajoituksen periaate

7. Tasaisen rajoituksen periaate 18 FUNKTIONAALIANALYYSIN PERUSKURSSI 7. Tasaisen rajoituksen periaate Täydellisyydestä puristetaan maksimaalinen hyöty seuraavan Bairen lauseen avulla. Bairen lause on keskeinen todistettaessa kahta funktionaalianalyysin

Lisätiedot

STOKASTISET PROSESSIT

STOKASTISET PROSESSIT TEORIA STOKASTISET PROSESSIT Satunnaisuutta sisältävän tapahtumasarjan kulkua koskevaa havaintosarjaa sanotaan aikasarjaksi. Sana korostaa empiirisen, kokeellisesti havaitun tiedon luonnetta. Aikasarjan

Lisätiedot

Funktioiden approksimointi ja interpolointi

Funktioiden approksimointi ja interpolointi Funktioiden approksimointi ja interpolointi Keijo Ruotsalainen Division of Mathematics interpolaatio-ongelma 8 Eksponenttifunktion exp(x) interpolointi 3.5 Funktion e^{0.25x} \sin(x) interpolointi 7 3

Lisätiedot

Jaksollisen signaalin spektri

Jaksollisen signaalin spektri Jaksollisen signaalin spektri LuK-tutkielma Topi Suviaro 2257699 Matemaattisten tieteiden laitos Oulun yliopisto Syksy 215 Sisältö Johdanto 2 1 Jaksollisuudesta 2 2 Spektristä 3 2.1 Symmetrian vaikutuksesta

Lisätiedot

5. Z-muunnos ja lineaariset diskreetit systeemit. z n = z

5. Z-muunnos ja lineaariset diskreetit systeemit. z n = z 5. Z-muunnos ja lineaariset diskreetit systeemit Jono: (x(n)) n=0 = (x(0), x(1), x(2),..., x(n),...) Z-muunnos: X(z) = n=0 x(n)z n, jos sarja suppenee jossain kompleksitason osassa. Esim. 4. Ykkösjonon

Lisätiedot

1. Annettu siirtofunktio on siis G(s) ja vastaava systeemi on stabiili. Heräte (sisäänmeno) on u(t) = A sin(ωt), jonka Laplace-muunnos on

1. Annettu siirtofunktio on siis G(s) ja vastaava systeemi on stabiili. Heräte (sisäänmeno) on u(t) = A sin(ωt), jonka Laplace-muunnos on Aalto-yliopiston Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Mat-419 Systeemien Identifiointi 8 harjoituksen ratkaisut 1 Annettu siirtofunktio on siis G(s) ja vastaava systeemi

Lisätiedot

KOMPLEKSIANALYYSI I KURSSI SYKSY 2012

KOMPLEKSIANALYYSI I KURSSI SYKSY 2012 KOMPLEKSIANALYYSI I KURSSI SYKSY 2012 RITVA HURRI-SYRJÄNEN 8. Integraalilauseiden sovelluksia 1. Analyyttisen funktion sarjaesitys. (eli jokainen analyyttinen funktio on lokaalisti suppenevan potenssisarjan

Lisätiedot

KOMPLEKSIANALYYSI I KURSSI SYKSY exp z., k = 1, 2,... Eksponenttifunktion z exp(z) Laurent-sarjan avulla

KOMPLEKSIANALYYSI I KURSSI SYKSY exp z., k = 1, 2,... Eksponenttifunktion z exp(z) Laurent-sarjan avulla KOMPLEKSIANALYYSI I KURSSI SYKSY 2012 RITVA HURRI-SYRJÄNEN 11. Integrointi erillisen erikoispisteen ympäri Olkoot f analyyttinen punkteeratussa kiekossa D(z 0.r\{z 0 }. Funktiolla f on erikoispiste z 0.

Lisätiedot

Funktiojonot ja funktiotermiset sarjat Funktiojono ja funktioterminen sarja Pisteittäinen ja tasainen suppeneminen

Funktiojonot ja funktiotermiset sarjat Funktiojono ja funktioterminen sarja Pisteittäinen ja tasainen suppeneminen 4. Funktiojonot ja funktiotermiset sarjat 4.1. Funktiojono ja funktioterminen sarja 60. Tutki, millä muuttujan R arvoilla funktiojono f k suppenee, kun Mikä on rajafunktio? a) f k () = 2k 2k + 1, b) f

Lisätiedot

Ennustaminen ARMA malleilla ja Kalmanin suodin

Ennustaminen ARMA malleilla ja Kalmanin suodin Ennustaminen ARMA malleilla ja Kalmanin suodin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017

Lisätiedot

Mat / Mat Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 42, loppuviikko, syksy 2008

Mat / Mat Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 42, loppuviikko, syksy 2008 Mat-.3 / Mat-.33 Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 4, loppuviikko, syksy 8 Ennen malliratkaisuja, muistin virkistämiseksi kaikkien rakastama osittaisintegroinnin kaava: b a u(tv (t

Lisätiedot

5. Stokastinen integrointi

5. Stokastinen integrointi STOKASTISET DIFFERENTIAALIYHTÄLÖT 55 5. Stokastinen integrointi Olemme lopulta käyneet läpi tarvittavat tiedot peruskäsitteistä ja voimme aloittaa stokastisen integroinnin (ja siten stokastisen derivoinnin

Lisätiedot

Sisältö. Sarjat 10. syyskuuta 2005 sivu 1 / 17

Sisältö. Sarjat 10. syyskuuta 2005 sivu 1 / 17 Sarjat 10. syyskuuta 2005 sivu 1 / 17 Sisältö 1 Peruskäsitteistöä 2 1.1 Määritelmiä 2 1.2 Perustuloksia 4 2 Suppenemistestejä positiivitermisille sarjoille 5 3 Itseinen ja ehdollinen suppeneminen 8 4 Alternoivat

Lisätiedot

Kompleksianalyysi, viikko 5

Kompleksianalyysi, viikko 5 Kompleksianalyysi, viikko 5 Jukka Kemppainen Mathematics Division Kompleksiset jonot Aloitetaan jonon suppenemisesta. Määr. 1 Kompleksiluvuista z 1,z 2,...,z n,... koostuva jono suppenee kohti raja-arvoa

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) Tavoitteet (teoria): Hallita multinormaalijakauman määritelmä. Ymmärtää likelihood-funktion ja todennäköisyystiheysfunktion ero. Oppia kirjoittamaan

Lisätiedot

Seuraava topologisluonteinen lause on nk. Bairen lause tai Bairen kategorialause, n=1

Seuraava topologisluonteinen lause on nk. Bairen lause tai Bairen kategorialause, n=1 FUNKTIONAALIANALYYSIN PERUSKURSSI 115 7. Tasaisen rajoituksen periaate Täydellisyydestä puristetaan maksimaalinen hyöty seuraavan Bairen lauseen avulla. Bairen lause on keskeinen todistettaessa kahta funktionaalianalyysin

Lisätiedot

MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 2: Sarjat

MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 2: Sarjat MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 2: Sarjat Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos September 13, 2017 Pekka Alestalo,

Lisätiedot

Taajuus-, Fourier- ja spektraalianalyysi

Taajuus-, Fourier- ja spektraalianalyysi Taajuus-, Fourier- ja spektraalianalyysi Impulssi- ja askelvastetekniikat sekä korrelaatioanalyysi tähtäävät impulssivasteen mallintamiseen aikataso Taajuus- Fourier- ja spektraalianalyysi tähtäävät systeemin

Lisätiedot

Ei-inertiaaliset koordinaatistot

Ei-inertiaaliset koordinaatistot orstai 25.9.2014 1/17 Ei-inertiaaliset koordinaatistot Tarkastellaan seuraavaa koordinaatistomuunnosta: {x} = (x 1, x 2, x 3 ) {y} = (y 1, y 2, y 3 ) joille valitaan kantavektorit: {x} : (î, ĵ, ˆk) {y}

Lisätiedot

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään tiedetään, että ainakin kaksi

Lisätiedot

MS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset

MS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset MS-C350 Osittaisdifferentiaaliyhtälöt Haroitukset 5, syksy 207. Oletetaan, että a > 0 a funktio u on yhtälön u a u = 0 ratkaisu. a Osoita, että funktio vx, t = u x, t toteuttaa yhtälön a v = 0. b Osoita,

Lisätiedot

11 Raja-arvolauseita ja approksimaatioita

11 Raja-arvolauseita ja approksimaatioita 11 Raja-arvolauseita ja approksimaatioita Tässä luvussa esitellään sellaisia kuuluisia todennäköisyysteorian raja-arvolauseita, joita sovelletaan usein tilastollisessa päättelyssä. Näiden raja-arvolauseiden

Lisätiedot

Pienimmän neliösumman menetelmä

Pienimmän neliösumman menetelmä Pienimmän neliösumman menetelmä Keijo Ruotsalainen Division of Mathematics Funktion sovitus Datapisteet (x 1,...,x n ) Annettu data y i = f(x i )+η i, missä f(x) on tuntematon funktio ja η i mittaukseen

Lisätiedot

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään, tiedetään, että ainakin

Lisätiedot

6. Toisen ja korkeamman kertaluvun lineaariset

6. Toisen ja korkeamman kertaluvun lineaariset SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 51 6. Toisen ja korkeamman kertaluvun lineaariset differentiaaliyhtälöt Määritelmä 6.1. Olkoon I R avoin väli. Olkoot p i : I R, i = 0, 1, 2,..., n, ja q : I R jatkuvia

Lisätiedot

1 Määrittelyjä ja aputuloksia

1 Määrittelyjä ja aputuloksia 1 Määrittelyjä ja aputuloksia 1.1 Supremum ja infimum Aluksi kerrataan pienimmän ylärajan (supremum) ja suurimman alarajan (infimum) perusominaisuuksia ja esitetään muutamia myöhemmissä todistuksissa tarvittavia

Lisätiedot

MATP153 Approbatur 1B Harjoitus 3, ratkaisut Maanantai

MATP153 Approbatur 1B Harjoitus 3, ratkaisut Maanantai MATP53 Approbatur B Harjoitus 3, ratkaisut Maanantai 6..5. (Teht. 5 ja s. 4.) Olkoot z = + y i ja z = + y i. Osoita, että (a) z + z = z +z, (b) z z = z z, (c) z z = z ja (d) z = z z, kun z. (a) z + z =

Lisätiedot

Dynaamisten systeemien identifiointi 1/2

Dynaamisten systeemien identifiointi 1/2 Dynaamisten systeemien identifiointi 1/2 Mallin rakentaminen mittausten avulla Epäparametriset menetelmät: tuloksena malli, joka ei perustu parametreille impulssi-, askel- tai taajusvaste siirtofunktion

Lisätiedot

LUKU 7. Perusmuodot Ensimmäinen perusmuoto. Funktiot E, F ja G ovat tilkun ϕ ensimmäisen perusmuodon kertoimet ja neliömuoto

LUKU 7. Perusmuodot Ensimmäinen perusmuoto. Funktiot E, F ja G ovat tilkun ϕ ensimmäisen perusmuodon kertoimet ja neliömuoto LUKU 7 Perusmuodot 7 Ensimmäinen perusmuoto Määritelmä 7 Olkoon ϕ: U R 3 tilkku Määritellään funktiot E, F, G: U R asettamalla (7) E := ϕ ϕ, F := ϕ, G := ϕ u u u u Funktiot E, F G ovat tilkun ϕ ensimmäisen

Lisätiedot

u = 2 u (9.1) x + 2 u

u = 2 u (9.1) x + 2 u 9. Poissonin integraali 9.. Poissonin integraali. Ratkaistaan Diriclet n reuna-arvotehtävä origokeskisessä, R-säteisessä ympyrässä D = {(x, y) R x +y < R }, t.s. kun f : D R on annettu jatkuva funktio,

Lisätiedot

Ominaisvektoreiden lineaarinen riippumattomuus

Ominaisvektoreiden lineaarinen riippumattomuus Ominaisvektoreiden lineaarinen riippumattomuus Lause 17 Oletetaan, että A on n n -matriisi. Oletetaan, että λ 1,..., λ m ovat matriisin A eri ominaisarvoja, ja oletetaan, että v 1,..., v m ovat jotkin

Lisätiedot

LUKU 10. Yhdensuuntaissiirto

LUKU 10. Yhdensuuntaissiirto LUKU hdensuuntaissiirto Olkoot (M, N) suunnistettu pinta, p M ja v p R 3 p annettu vektori pisteessä p (vektorin v p ei tarvitse olla pinnan M tangenttivektori). Tällöin vektori (v p N(p)) N(p) on vektorin

Lisätiedot

Tehtävänanto oli ratkaista seuraavat määrätyt integraalit: b) 0 e x + 1

Tehtävänanto oli ratkaista seuraavat määrätyt integraalit: b) 0 e x + 1 Tehtävä : Tehtävänanto oli ratkaista seuraavat määrätyt integraalit: a) a) x b) e x + Integraali voisi ratketa muuttujanvaihdolla. Integroitava on muotoa (a x ) n joten sopiva muuttujanvaihto voisi olla

Lisätiedot

Derivaattaluvut ja Dini derivaatat

Derivaattaluvut ja Dini derivaatat Derivaattaluvut Dini derivaatat LuK-tutkielma Helmi Glumo 2434483 Matemaattisten tieteiden laitos Oulun yliopisto Syksy 2016 Sisältö Johdanto 2 1 Taustaa 2 2 Määritelmät 4 3 Esimerkkejä lauseita 7 Lähdeluettelo

Lisätiedot

Fourier-sarjat ja -muunnos

Fourier-sarjat ja -muunnos 24. marraskuuta 2016 Jaksolliset funktiot, trigonometriset sarjat, parilliset ja p Jaksolliset funktiot Funktio f : R R on jaksollinen, jos on olemassa p > 0 siten, että f (x + p) = f (x) kaikilla x R

Lisätiedot

MS-C1420 Fourier-analyysi osa I

MS-C1420 Fourier-analyysi osa I 1 Johdanto MS-C142 Fourier-analyysi osa I G Gripenberg 2 Fourier-integraali Fourier-muunnos ja derivaatta Konvoluutio Fourier-käänteismuunnos eliöintegroituvat funktiot Aalto-yliopisto 29 tammikuuta 214

Lisätiedot

MS-C1420 Fourier-analyysi osa I

MS-C1420 Fourier-analyysi osa I MS-C142 Fourier-analyysi osa I G. Gripenberg Aalto-yliopisto 29. tammikuuta 214 G. Gripenberg (Aalto-yliopisto) MS-C142 Fourier-analyysiosa I 29. tammikuuta 214 1 / 3 1 Johdanto 2 Fourier-integraali Fourier-muunnos

Lisätiedot

SIGNAALITEORIAN KERTAUSTA OSA 1

SIGNAALITEORIAN KERTAUSTA OSA 1 1 SIGNAALITEORIAN KERTAUSTA OSA 1 Millainen on signaalin spektri ja miten se lasketaan? SIGNAALIEN JA SPEKTRIN PERUSKÄSITTEITÄ 2 Spektri taajuuden funktiona on kompleksiarvoinen funktio, jonka graafinen

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien muunnokset ja niiden jakaumat Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja

Lisätiedot

Valintakoe

Valintakoe Valintakoe 7.3.05 Kokeessa saa käyttää kirjoitusvälinewiden lisäksi ainoastaan kokeessa jaettavaa funktiolaskinta ja taulukkoa Pisteytys 8*3p=4p. Tehtävien alakohtien pistemäärät voivat poiketa toisistaan..

Lisätiedot

, c) x = 0 tai x = 2. = x 3. 9 = 2 3, = eli kun x = 5 tai x = 1. Näistä

, c) x = 0 tai x = 2. = x 3. 9 = 2 3, = eli kun x = 5 tai x = 1. Näistä Pitkä matematiikka 8.9.0, ratkaisut:. a) ( x + x ) = ( + x + x ) 6x + 6x = + 6x + 6x x = x =. b) Jos x > 0, on x = + x x = + x. Tällä ei ole ratkaisua. Jos x 0, on x = + x x = + x x =. c) x = x ( x) =

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan

Lisätiedot

Vastaus: 10. Kertausharjoituksia. 1. Lukujonot lim = lim n + = = n n. Vastaus: suppenee raja-arvona Vastaus:

Vastaus: 10. Kertausharjoituksia. 1. Lukujonot lim = lim n + = = n n. Vastaus: suppenee raja-arvona Vastaus: . Koska F( ) on jokin funktion f ( ) integraalifunktio, niin a+ a f() t dt F( a+ t) F( a) ( a+ ) b( a b) Vastaus: Kertausharjoituksia. Lukujonot 87. + n + lim lim n n n n Vastaus: suppenee raja-arvona

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi

Lisätiedot

Matematiikan ja tilastotieteen laitos Stokastiset differentiaaliyhtälöt Ratkaisuehdotelma Harjoitukseen 5

Matematiikan ja tilastotieteen laitos Stokastiset differentiaaliyhtälöt Ratkaisuehdotelma Harjoitukseen 5 Matematiikan ja tilastotieteen laitos Stokastiset differentiaaliyhtälöt Ratkaisuehdotelma Harjoitukseen 5 1. Näytä, että X t := Bt 3 3tB t on martingaali Brownin liikkeen B historian suhteen. Ratkaisuehdotus:

Lisätiedot

Jonot. Lukujonolla tarkoitetaan ääretöntä jonoa reaalilukuja a n R, kun indeksi n N. Merkitään. (a n ) n N = (a n ) n=1 = (a 1, a 2, a 3,... ).

Jonot. Lukujonolla tarkoitetaan ääretöntä jonoa reaalilukuja a n R, kun indeksi n N. Merkitään. (a n ) n N = (a n ) n=1 = (a 1, a 2, a 3,... ). Jonot Lukujonolla tarkoitetaan ääretöntä jonoa reaalilukuja a n R, kun indeksi n N. Merkitään (a n ) n N = (a n ) n=1 = (a 1, a 2, a 3,... ). Lukujonon täsmällinen tulkinta on funktio f : N R, jolle f

Lisätiedot

Taajuus-, Fourier- ja spektraalianalyysi

Taajuus-, Fourier- ja spektraalianalyysi Taajuus-, Fourier- ja spektraalianalyysi Transientti- ja korrelaatioanalyysi tähtäävät impulssivasteen (askelvasteen) mallintamiseen Kuvaus aikatasossa Taajuus- Fourier- ja spektraalianalyysi tähtäävät

Lisätiedot

F dr = F NdS. VEKTORIANALYYSI Luento Stokesin lause

F dr = F NdS. VEKTORIANALYYSI Luento Stokesin lause 91 VEKTORIANALYYI Luento 13 9. tokesin lause A 16.5 tokesin lause on kuin Gaussin lause, mutta yhtä dimensiota alempana: se liittää toisiinsa kentän derivaatasta pinnan yli otetun integraalin ja pinnan

Lisätiedot

Taajuus-, Fourier- ja spektraalianalyysi

Taajuus-, Fourier- ja spektraalianalyysi Taajuus-, Fourier- ja spektraalianalyysi Transientti- ja korrelaatioanalyysi tähtäävät impulssivasteen (askelvasteen) mallintamiseen Taajuus- Fourier- ja spektraalianalyysi tähtäävät systeemin taajuusominaisuuksien

Lisätiedot

Pakotettu vaimennettu harmoninen värähtelijä Resonanssi

Pakotettu vaimennettu harmoninen värähtelijä Resonanssi Pakotettu vaimennettu harmoninen värähtelijä Resonanssi Tällä luennolla tavoitteena Mikä on pakkovoiman aiheuttama vaikutus vaimennettuun harmoniseen värähtelijään? Mikä on resonanssi? Kertaus: energian

Lisätiedot

Sinin jatkuvuus. Lemma. Seuraus. Seuraus. Kaikilla x, y R, sin x sin y x y. Sini on jatkuva funktio.

Sinin jatkuvuus. Lemma. Seuraus. Seuraus. Kaikilla x, y R, sin x sin y x y. Sini on jatkuva funktio. Sinin jatkuvuus Lemma Kaikilla x, y R, sin x sin y x y. Seuraus Sini on jatkuva funktio. Seuraus Kosini, tangentti ja kotangentti ovat jatkuvia funktioita. Pekka Salmi FUNK 19. syyskuuta 2016 22 / 53 Yhdistetyn

Lisätiedot

y x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1

y x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1 1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33 Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden

Lisätiedot

2. Fourier-sarjoista. Aaltoliikkeen ja lämmöjohtumisen matemaattinen tarkastelu

2. Fourier-sarjoista. Aaltoliikkeen ja lämmöjohtumisen matemaattinen tarkastelu 2. Fourier-sarjoista Fourier-analyysi: Aaltoliikkeen ja lämmöjohtumisen matemaattinen tarkastelu Matemaattisen analyysin täkein työväline "Jokainen funktio" voidaan esittää harmonisten värähtelyjen, so.

Lisätiedot

z muunnos ja sen soveltaminen LTI järjestelmien analysointiin

z muunnos ja sen soveltaminen LTI järjestelmien analysointiin z muunnos ja sen soveltaminen LTI järjestelmien analysointiin muunnoksella (eng. transform) on vastaava asema diskreettiaikaisten signaalien ja LTI järjestelmien analyysissä kuin Laplace muunnoksella jatkuvaaikaisten

Lisätiedot

läheisyydessä. Piirrä funktio f ja nämä approksimaatiot samaan kuvaan. Näyttääkö järkeenkäyvältä?

läheisyydessä. Piirrä funktio f ja nämä approksimaatiot samaan kuvaan. Näyttääkö järkeenkäyvältä? BM20A5840 - Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2017 1. Tunnemme vektorit a = [ 1 2 3 ] ja b = [ 2 1 2 ]. Laske (i) kummankin vektorin pituus (eli itseisarvo, eli normi); (ii) vektorien

Lisätiedot

Johdatus varianssianalyysiin. Vilkkumaa / Kuusinen 1

Johdatus varianssianalyysiin. Vilkkumaa / Kuusinen 1 Johdatus varianssianalyysiin Vilkkumaa / Kuusinen 1 Motivointi Luento 4: kahden riippumattoman otoksen odotusarvoja voidaan vertailla t-testillä H 0 : μ 1 = μ 2, T = ˉX 1 ˉX 2 s 2 1 + s2 2 n 1 n 2 a t(min[(n

Lisätiedot

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita

Lisätiedot

Koodausteoria, Kesä 2014

Koodausteoria, Kesä 2014 Koodausteoria, Kesä 2014 Topi Törmä Matemaattisten tieteiden laitos 4.7 Syklisen koodin jälkiesitys Olkoon F = F q ja K = F q m kunnan F laajennuskunta. Määritelmä 4.7.1. Kuntalaajennuksen K/F jälkifunktioksi

Lisätiedot

Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg)

Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg) Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus 4 9.4.-23.4.200 Malliratkaisut (Sauli Lindberg). Näytä, että Lusinin lauseessa voidaan luopua oletuksesta m(a)

Lisätiedot

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1 Odotusarvoparien vertailu Vilkkumaa / Kuusinen 1 Motivointi Viime luennolta: yksisuuntaisella varianssianalyysilla testataan nollahypoteesia H 0 : μ 1 = μ 2 = = μ k = μ Jos H 0 hylätään, tiedetään, että

Lisätiedot